生物制造的"ChatGPT时刻"到了吗？｜5Y Talk

来源：市场资讯

（来源：五源资本 5Y Capital）

2026年3月以来，中东局势骤然升级，国际油价一路飙涨。

在中国纺织重镇柯桥，涤纶POY一夜涨超20%，一件500元的冲锋衣，仅原料成本就增加了近40元。冲锋衣、速干衣、防晒服、瑜伽裤，这些当代都市人衣柜里的主力军，原料几乎全部来源于石油化工产业链。

每一次油价剧烈波动，都在提醒一个事实：我们的衣食住行，很大程度上是建立在石油化工之上。

但如果不再完全依赖石油，而是用微生物来"种"出这些材料呢？这就是生物制造的核心逻辑。而AI正在极大地加速这个进程。放眼整个Biotech领域，AI与生物科学的交集，正在迎来密集的价值兑现期。

在这个拐点时刻，我们邀请了恩和科技（Bota）的创始人Cheryl（崔好）。

Cheryl不是那种等风来的人。

MIT博士毕业，她带出来一个清晰的信念：生物学不应该是一门靠运气和直觉的实验科学，它有希望成为数据驱动的规模化工程学。过去七年，她一直在探索怎么让这个信念成真。

她喜欢用一个类比来解释自己在做的事：细胞本质上是一台"可编程的物质编译器"，DNA就是它的代码，只不过写的不是0和1，而是A、T、C、G四个字母。如果我们真正学会编写这套生物代码，理论上可以让细胞制造出几乎任何东西：无论是活性蛋白、营养物质，还是大宗化工品，不需要大面积种植经济作物，不需要石油裂解，只需要微生物、碳源，和一座生物制造的高效工厂。

2019年，她在杭州创立Bota，从零搭建生物铸造厂，接管山东一家老旧发酵企业，在鄂尔多斯建产业基地。她没有写论文，也不是做咨询，而是直接扎进物理世界，用真实的工厂、真实的客户、真实的交付来积累数据和能力。

特别是在2022-2023年，整个合成生物学行业经历了"至暗时刻"：美国三大明星公司几乎全军覆没、整个行业信心跌至冰点，Cheryl选择坚持，看准了就去做。

七年下来，恩和累计交付23个商业化项目，服务覆盖食品、营养、个人护理等领域，并建立了全球运营网络。2026年3月，恩和发布SAION AI：全球首个面向生物制造的Physical AI平台。用Cheryl的话说，不只是给科学家一个更聪明的助手，而是打造一个能自我迭代、越做越聪明的"AI科学家"。

而从与Cheryl的聊天中，我们也明显感受到，和几年前相比，她谈论公司的方式变了。以前要花很多时间解释什么是合成生物学，现在更多讲数据闭环、讲产业落地、讲企业能力建设。那种科学家式的兴奋感还在，但多了更多工程师式的笃定——她很清楚自己在建什么，也很清楚还差多远。

今天我们和Cheryl聊了聊，从行业的起伏到AI带来的拐点，从一只"实验室小龙虾"聊到生物制造的"ChatGPT时刻"。与Cheryl对话的，是五源资本合伙人Ted（井绪天），他是最早在五源内部开辟这个赛道的投资人，也完整穿越了整个Biotech从狂热到低谷再回暖的全过程。

以下是他们的对话精选：

Cheryl（崔好）

Bota创始人兼CEO

Ted（井绪天）

五源资本合伙人

一、什么是"实验室小龙虾"？

Ted：我第一次认真了解合成生物学，其实是受Cheryl的感染。疫情期间在上海，大家都不愿意出门，但有一次我们约在新天地见面，她跟我讲了一个我完全听不懂的行业，但她说这是她在波士顿做孵化期间，看到的最有价值的事情。那股劲头，让我非常认真地研究了一下这个行业，后来我们在五源内部开辟了这个赛道。

黄仁勋说未来最重要的学科是生物学，OpenClaw这种开源小龙虾，让AI能打电话、发邮件，但你们做了一只能操作实验室仪器的"小龙虾"SAION AI，具体讲讲？

Cheryl：SAION AI 是我们面向生物制造打造的一个Physical AI平台。它不只是一个帮忙做事的龙虾，它能在做事过程中获得经验、不断迭代，让整个研发和生产越来越聪明。

比如你先做一个新项目，它会先从一个好问题出发，勾画实验目标和路径，细化到具体方案，然后把方案转换成实验室能执行的标准化指令，执行完收集结果，再进入下一轮迭代。

这里面包含了认知层的理解、控制层的编排、执行层的实验，这个端到端的闭环是SAION最核心的架构。

二、行业格局与竞争

Ted：AI制药最近非常热，我们也投了不少这个方向的公司。但除了制药以外，AI跟工业生物制造的结合也有很大的空间。不过跟AI制药相比，你觉得AI+生物制造有什么异同？

Cheryl：首先我觉得相同点是，它们的底层都是生物技术迭代+AI驱动。不同点在于，药物开发是一个线性过程，从分子早研到体外验证，再到体内验证和临床，从一开始的假设，到最终在人体中验证，中间有很多验证过程中的跃进式的假设，例如从体外细胞的验证、到动物，再到人体。

但生物制造天然符合AI的特性：它是迭代式的，我们在同一个菌上不断叠加新的设计，经过DBTL循环（设计-构建-测试-学习），数据可以完全闭环，并且可以高频地闭环。而且我们的数据不只有实验室微孔板上的，还有两升小试、一千升中试、几十吨生产的数据，日复一日积累下来，数据集非常完整。

Ted：从AI角度来说，GPT、Claude本身都在快速进化，如果这些通用大模型变得越来越聪明，Bota的护城河在哪？

Cheryl：虽然大模型的能力越来越强，但垂类数据和Knowhow的价值反而变得更大了，因为要解决的问题是非常垂直的。举个例子，现在给SAION一段自然语言描述，它输出的基因序列拼接指令，比人做得更快、更准。序列设计是一个编码都不能错的ATCG，如果错一个，蛋白功能就可能完全变了。

更重要的是，除了数据本身，产生数据的过程也很有价值，如果在这个过程中，就完成了商业化闭环，那再好不过。每一条数据都来自一个真实项目，客户越多，数据越多，模型就越强，效率也就越高。这就是一个可持续的数据飞轮。

Ted：过去这段时间，合成生物学很低迷，美国曾经的三家明星公司几乎全军覆没：Amyris破产、Zymergen被收购、Ginkgo市值跌去90%以上。Ginkgo选了纯平台模式，Amyris选了自有品牌模式，两条路都翻了车。你觉得行业的底层问题出在哪里？

Cheryl：很多行业都经历过类似的周期，它并不是方向错了，除了技术能力在不断进步，我觉得我们引入了技术平台和中国的产业化能力的融合。这跟光伏行业有点像，虽然这个方向在全球被认可，中间也经历了靠补贴的不可持续性繁荣，但真正实现不依赖补贴的内生经济性，是在中国产业化能力深度介入后才获得突破的。

关于纯平台模式，其逻辑本身是自洽的，但挑战在于，在下游市场对生物制造的价值认知尚未完全建立时，平台的高投入与回报周期存在错配。

AI在药物发现的领域的提效逻辑更易闭环，因为药物本身拥有极高的价值厚度。在生物制造领域，我们需要更多的“十亿美元分子”来支撑市场，而要开发出这种分子，需要研发能力和可控的研发投入，两者缺一不可。所以恩和做了从实验室到中试，再到生产的全链条整合，不是给行业提供更好的工具，而是要让生物技术真正落地到各行各业。

而且坦率说，目前全球都在转向工程化方向，但在自动化实验室的建设成本、迭代速度以及大规模生产的供应链支撑上，中国拥有明显的优势。我们不仅是在中国做研发，更是在利用这种效率红利，为全球生物经济寻找一条更具确定性的降本增效之路。

Ted：AI制药的账，哪怕短期来看，也是算得比较清楚的，无论是研发支出的直接节省还是管线资产的交易，更不用说长期的资产价值积累和利润分成。但生物制造的AI故事，怎么算这笔账？产率提高30%或周期缩短到半年，到底值多少钱？

Cheryl：最直接的，产率提升对应毛利提升。但这只是第一层。第二层是：如果研发成本从数千万美金，降到50万美金一个项目，我们能触达到的行业就会放大很多，这种数量级的降低，会带来行业本质变革。

第三层是认知层面的，大规模闭环数据，最终会让我们对微生物的基本机制，有全新的理解，这才是真正的跃进。

如果你去看全球科研经费的花法，无论是美国NIH每年几百亿美元的拨款，还是大型药企每年动辄数百亿的研发投入，真正花在试剂上的，也就是做实验本身消耗的化学品和耗材，占比大约是10%-15%。剩下大部分是人员薪酬、实验室租金、设备折旧这些固定开支。

这个成本结构是完全倒挂的。理想状态下，你的研发预算应该绝大部分花在"做实验"这件事本身上，而不是花在"养一个实验室"上。一旦新技术能把这个结构翻过来，那就相当于同样的预算能产出十倍的实验数据。这个效率杠杆，甚至比单纯提升AI预测准确率还要大。

Ted：对，我想补充一点。很多人可能把这个行业，当做一种效率提升工具来算账，我们不这么看。今天的AI与agent和自动化结合，绝不仅仅是提升效率的工具，它是一种可以超出人类传统智力和生产能力、造出完全不一样的新物质的全新生产力。

许多生物体内的分子不容易通过化工合成，但结合AI和生物制造就可以规模化量产。在这种新的生产力范式下，新一代科技公司有机会创造全新的生产关系，从而在商业版图中，做出比传统化工巨头市值更高的公司。这才是最吸引我的一点。

三、核心技术拆解

Ted：我们用一个具体案例来拆解，比如说你们做的玉米黄质，这是一种护眼抗衰成分，传统方法要种万寿菊，受限于土地和气候。能不能走一遍从"客户说我要这个分子"，到"产品出厂"的全流程？SAION AI在每一步干了什么？

Cheryl：玉米黄质本身是典型的“高价值、低效率”的功能原料。

我们会用SAION AI先做文献调研，输出研发技术路线。然后把技术路线细化成具体实验方案。这一步SAION AI会去查看已知的底盘菌株的复用性，然后设计出一步步的实验。这个过程中科研人员也会修改方案，形成人机协同。

之后，我们设计的基因再转入微生物，这一步已经可以通过生物铸造厂高通量完成。最终把结果收集起来做分析，再进入下一轮菌株构建。

在这个项目上，我们构建了9万多个不同的菌株。过程中有些关键酶是催化反应的瓶颈，而AI驱动的酶开发，精准突破了关键限速酶的瓶颈，使菌株生产效率提升了60%。最终产品中全反式玉米黄质的含量达到了80%。与此同时，我们已完成美国Self-GRAS评估，实现了全产业链贯通。

Ted：SAION AI有三层架构——认知、控制、执行，能不能用自动驾驶做个类比？自动驾驶是"看到路况→大脑判断→方向盘执行"，SAION也类似。但生物世界和驾驶路况有什么本质不同？

Cheryl：自动驾驶的难度在于，要在毫秒级时间内做判断，但它有优势：物理规律是已知的，对车的控制是绝对的，停就停、走就走。

生物制造不需要毫秒级决策，但难点是，生物的规则和运作逻辑是充满未知的。而且我们对微生物的控制，来自于对基因的控制，但基因的控制，并不能直接决定最终表现，它要经过几层的迭代，从基因到蛋白到代谢通路，才能真正变成菌株的表现。也就是说，控制层是间接的。

这意味着它要解决的核心问题是因果推理：当你看到了一个实验结果，它的因果关系是什么？为什么这个菌，在这个条件下表现好，换一个条件就不行了？这种缜密的逻辑推理能力，本质上就是科学家做科研时的思考方式，也是这个Physical AI最关键的核心。

另外，生物实验本身周期很长，甚至两个人做同样的实验，出来的结果都不一定一样，因为过程中的时间和参数变量太多了，也太久了。这是为什么我们要去开发BPL（生物标准协议语言），在设计端和执行端之间加一个标准化的layer，把一个长周期的生物实验，变成一个更可控的环境，从而让你拿到的数据，能更好地去推理因果。

但好处是它允许试错，不像自动驾驶对安全性要求极高，生物实验如果设计得不够好、没有得到结果，可以再来一次。我觉得这是这两个领域做类比时，非常有意思的地方。

Ted：说到"两个人做同样的实验结果不一样"，这也是BPL（生物标准协议语言）的价值，它的价值是能把10个人写的不同实验方案，翻译成同一段代码。这是不是相当于给生物实验发明了一门编程语言？拿它对标半导体行业的EDA，成立吗？

Cheryl：非常好的类比。EDA是把设计电路的意图，转换成可制造的文件，BPL做的事情是把你的科研意图，变成可以通过机器去执行的一整套实验流程，也就是将AI生成的复杂方案，直接转化为我们生物铸造厂的机器指令。

它希望解决的核心问题，就是生物实验过程中的非标准化。之前的科研更多是以经验来驱动的，实验流程是用自然语言写下来的，有的人写得繁琐，有的人写得细一点，有的人写得粗一点，按照这样的"菜谱"重新去做的时候，结果就会不一样。BPL能让10个人写的不同Protocol，代码化成同一套标准指令，本质上是让生物制造从一种依赖运气的探索，变成高精度的工业代码。

Ted：合成生物学最出名的失败案例几乎都死在scale-up，实验室里好好的菌株，放到几万升的发酵罐里就不行了。SAION对这个环节解决了什么？

Cheryl：大家把产业化当生死分界线，其实核心是，很多创业公司没给这一步留足时间和资源，觉得实验室验证完就能放大，但放大本身是一个独立的工程化问题。

在发酵过程中可调控参数非常多，SAION可以分析我们已有的全部发酵数据，找出历史上表现最好的批次，理解为什么那个批次performance更好，温度曲线、补料策略、溶氧控制哪个是关键变量，然后把这些知识应用到新的放大过程中。

我们做了从0.5升发酵罐，放大到30吨的真实案例。当你对菌株足够了解的时候，实验室和生产端的相关性可以提升到90%以上。也就是说，生产端可以复现至少90%的实验室表现。我们的愿景是让生物制造，成为一个Physical AI Native的行业，不只是研发端用AI，生产现场也有AI在做决策和优化。

四、未来与想象力

Ted：生物制造现在迎来了它的ChatGPT时刻吗？如果让你来定义，这个时刻应该是什么样子？

Cheryl：我觉得它的标志是：各行各业在想要一个新分子的时候，会自然地想到：我能不能用生物的方法来解决这个问题？

无论是寻找新产品创新点，还是替代化学原料，还是处理工业废弃物，大家能自然地想到去开发一条生物路径。就像今天大家遇到问题，会先问ChatGPT一样。

这个市场的想象空间，远比大家以为的要大。细胞本质上是一台“可编程的物质编译器”，但我们至今只开发出了这么少的应用场景。这就好比计算机发明之后，如果算力只够用来支撑航天计算，那它永远无法进入普通人的生活。生物制造的ChatGPT时刻尚未到来，但 AI 正在以前所未有的速度降低开启这扇门的成本。我们预计未来 3 到 5 年，这种确定性将让生物制造真正跨越工业化的奇点。

Ted：SAION在替代科学家，还是在重写科学家的工作方式？你说它未来能达到5到10年经验科学家的水平，那人类科学家做什么？

Cheryl：我们内部做过AI Scientist的能力分级，从L1到L5。区别一个研究员和一位教授，不在于他们都在回答问题，而在于回答问题的scope不一样，最终它是提出好问题的能力。

AI天然有跨学科知识储备的优势，人类需要多年训练才能在一个学科达到专业水平，但AI可以跨越多个学科来解决一个问题。最终人类科学家提供的是方向上的指导。

Ted：我补充一个来自被投企业的观察。在某些小样本测试中，同样的信息量下，AI设计的分子通过湿实验测试的结果，已经超过了传统化学家。

而且假如把原生多模态的理念应用到生物学，AI所产生的智能一定在不久的将来会超过人类。比如，蛋白质由20个字母的语言所编码的氨基酸组成，每种氨基酸用一个字母表示；DNA和RNA是由四个字母所代表的碱基，以每三个碱基（密码子）为单位编码一个氨基酸。

而这些语言的内在逻辑，是人类现在理解不了的，只能由AI去发现其中的秘密，通过原生多模态，AI把对自然语言的推理能力，和对蛋白质语言的理解能力放在一起，在不久的将来，其产生的智能一定会超越人类科学家。我相信很快就会形成共识。

Ted：未来2年里，第一个被SAION从头到尾"自主设计+自主执行"做出来的产品会是什么？

Cheryl：其实不需要这么久，我们今年就会有，在未来12个月内，SAION会自主开发出产品。当然不同课题难度不一样：有些是已有通路上的提效，未知的东西少，相对容易；有些是要构建全新的代谢通路，比如把非粮碳源变成大宗化工品，转化率要逼近菌株的极限，这类就像地图上的无人之境，会难得多。

先从走过的路开始走得更好，再逐步进入无人区。

Ted：AI加生物制造这个赛道，更可能走向哪个结局？像半导体一样少数平台垄断？像SaaS一样垂直分散？还是巴斯夫、诺维信这样的大公司把AI内化后，独立公司被边缘化？

Cheryl：我觉得平台模式还是很值得期待的。如果从巴斯夫来看，它很大一部分优势是从石油的深加工开始的，然后沿着原料一路"吃干榨尽"，这也是巴斯夫提出的Verbundt（德语："连接"或"一体化"）一体化概念，每一级的原料都有优势。

那从生物制造的角度来看，我们对这些分子、对底盘菌的理解，也都是有复用价值的。它是否会形成某种垄断，一方面取决于你的壁垒和复用性有多强，另一方面取决于是否积攒到一定程度之后，会产生一个质的跃进，不是纯线性的，而是阶梯式的壁垒形成。

早期看起来是对单产品的提效，但它会逐渐转化为一个系统性的能力，再转化为在整个行业中的核心壁垒。

它不是互联网那种网络效应产生的垄断，更多是在工业端，你的技术不断迭代、始终站在最前面的这种类型的壁垒。我偏向于它会具有一定的平台属性，但需要时间来验证，尤其是Physical AI原生地从实验端，连接到生产端的这种闭环机制，它本身就是一个新行业，用新技术理念去连接各个环节，我觉得这方面的平台属性是非常值得期待的。

Ted：我觉得也许不会像半导体那么集中，但肯定不会像SaaS那么分散。杜邦、巴斯夫等这类公司在产业的中下游有极强的规模效应，但对于新产品的开发，却常常通过合作和收并购来丰富管线，说白了整个产业对于新材料的研发，还没有建立起在早期就能快速产出高价值资产的系统性能力。

未来如果有一批新公司，能通过技术复利、数据复利、AI的自我迭代，总是比别人更早找到差异化方向，找到更低成本、更高性能的生物制造产品，从而在早期研发端，也建立起规模效应，同时通过产品管线的积累，逐步在中下游也建立起产业护城河。

这样做出来的公司，有可能比现在的化工巨头市值还大。这本质上是"生产力决定生产关系"：以前的生产力，注定大公司靠收割早期创新来做大，未来头部公司，会拥有最强的研发平台和产品设计平台，这会带来完全不一样的格局。

Ted：最后一个问题——你觉得今天行业里最大的错觉是什么？

Cheryl：最大的错觉永远是在时间和预期上。方向是对的，但它到来的时间和呈现方式需要去make it happen。接触到实体行业之后，我对时间复利的感知越来越强。

Ted：没错，大多行业都会经历Gartner曲线，先有一个高峰，然后降下来到低谷期，大家开始主动或被动去做实事，然后再起来超过第一个高峰。我一直觉得这个方向是对的，是不可逆转的，无论是从生物替代化工，还是实验的通量越来越高，还是从AI越来越强，没有任何一个视角会让这个趋势倒退，无非就是一个timing（时间早晚）的问题。

现在也有案例在不断验证这个判断：Bota最近收购了一家企业，把一个负毛利的企业效率大幅提升。我们也有其他被投公司，做出的新分子获得了头部客户认可。这些都是在技术信仰之下，逐步交付的商业进展。

而且在这个不可逆转的大趋势下，未来产生的巨头公司，最有可能就是在中国。因为中国不仅有研发端的工程效率，和SAION AI这样的研发平台，还有全球最庞大、成本最低的生产体系。有这样的底层基础设施在，哪怕有短期波动对我们来说也是可以接受的。

所以我相信哪怕是行业里的竞争对手，或者更晚成立的AI生物制造公司，大家也都会互相尊重。最后也希望Bota能给大家打个样啊，Bota当时也算是给这个行业带了最初的一波市场节奏。

Cheryl：起伏是常态，每个成熟的行业都这么走过来的。这条路能走通，我们相信只能在中国。但走通之后，它服务的是全球市场，覆盖各行各业。

五源寻找、支持、激励孤独的创业者，为其提供从精神到所有经营运作的支持。我们相信，如果别人眼中疯狂的你，开始被相信，世界将会别开生面。

BEIJING·SHANGHAI·SHENZHEN·HONGKONG

WWW.5YCAP.COM